#  nn.Module 的內置功能，直接輸出模型結構
print(model)

MLP((fc1): Linear(in_features=4, out_features=10, bias=True)(relu): ReLU()(fc2): Linear(in_features=10, out_features=3, bias=True)
)

# nn.Module 的內置功能，返回模型的可訓練參數迭代器
for name, param in model.named_parameters():print(f"Parameter name: {name}, Shape: {param.shape}")

Parameter name: fc1.weight, Shape: torch.Size([10, 4])
Parameter name: fc1.bias, Shape: torch.Size([10])
Parameter name: fc2.weight, Shape: torch.Size([3, 10])
Parameter name: fc2.bias, Shape: torch.Size([3])

# 提取權重數據
import numpy as np
weight_data = {}
for name, param in model.named_parameters():if 'weight' in name:weight_data[name] = param.detach().cpu().numpy()# 可視化權重分布
fig, axes = plt.subplots(1, len(weight_data), figsize=(15, 5))
fig.suptitle('Weight Distribution of Layers')for i, (name, weights) in enumerate(weight_data.items()):# 展平權重張量為一維數組weights_flat = weights.flatten()# 繪制直方圖axes[i].hist(weights_flat, bins=50, alpha=0.7)axes[i].set_title(name)axes[i].set_xlabel('Weight Value')axes[i].set_ylabel('Frequency')axes[i].grid(True, linestyle='--', alpha=0.7)plt.tight_layout()
plt.subplots_adjust(top=0.85)
plt.show()# 計算并打印每層權重的統計信息
print("\n=== 權重統計信息 ===")
for name, weights in weight_data.items():mean = np.mean(weights)std = np.std(weights)min_val = np.min(weights)max_val = np.max(weights)print(f"{name}:")print(f"  均值: {mean:.6f}")print(f"  標準差: {std:.6f}")print(f"  最小值: {min_val:.6f}")print(f"  最大值: {max_val:.6f}")print("-" * 30)

=== 權重統計信息 ===
fc1.weight:均值: 0.013520標準差: 0.935024最小值: -2.185144最大值: 2.903806
------------------------------
fc2.weight:均值: 0.027174標準差: 1.232366最小值: -3.307564最大值: 3.074636
------------------------------

對比 fc1.weight 和 fc2.weight 的統計信息 ，可以發現它們的均值、標準差、最值等存在差異。這反映了不同層在模型中的作用不同。

權重統計信息可以為超參數調整提供參考。例如，如果發現權重標準差過大導致訓練不穩定，可以嘗試調整學習率，使權重更新更平穩；或者改變權重初始化方法，使初始權重分布更合理。如果最小值和最大值在訓練后期仍波動較大，可能需要考慮調整正則化參數，防止過擬合或欠擬合。

• torchsummary庫的summary方法

from torchsummary import summary
# 打印模型摘要，可以放置在模型定義后面
summary(model, input_size=(4,))

?

----------------------------------------------------------------Layer (type)               Output Shape         Param #
================================================================Linear-1                   [-1, 10]              50ReLU-2                   [-1, 10]               0Linear-3                    [-1, 3]              33
================================================================
Total params: 83
Trainable params: 83
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.00
Params size (MB): 0.00
Estimated Total Size (MB): 0.00
----------------------------------------------------------------

該方法不顯示輸入層的尺寸，因為輸入的神經網是自己設置的，所以不需要顯示輸入層的尺寸。但是在使用該方法時，input_size=(4,) 參數是必需的，因為 PyTorch 需要知道輸入數據的形狀才能推斷模型各層的輸出形狀和參數數量。這是因為PyTorch 的模型在定義時是動態的，它不會預先知道輸入數據的具體形狀。nn.Linear(4, 10) 只定義了 “輸入維度是 4，輸出維度是 10”，但不知道輸入的批量大小和其他維度，比如卷積層需要知道輸入的通道數、高度、寬度等信息。----并非所有輸入數據都是結構化數據。因此，要生成模型摘要（如每層的輸出形狀、參數數量），必須提供一個示例輸入形狀，讓 PyTorch “運行” 一次模型，從而推斷出各層的信息。

summary 函數的核心邏輯是：

1. 創建一個與 input_size 形狀匹配的虛擬輸入張量（通常填充零）

2. 將虛擬輸入傳遞給模型，執行一次前向傳播（但不計算梯度）

3. 記錄每一層的輸入和輸出形狀，以及參數數量

4. 生成可讀的摘要報告

不同場景下的?input_size?示例

構建神經網絡的時候

1. 輸入層不需要寫：x多少個特征 輸入層就有多少神經元

2. 隱藏層需要寫，從第一個隱藏層可以看出特征的個數

3. 輸出層的神經元和任務有關，比如分類任務，輸出層有3個神經元，一個對應每個類別

• ?torchinfo庫的summary方法

torchinfo 是提供比 torchsummary 更詳細的模型摘要信息，包括每層的輸入輸出形狀、參數數量、計算量等。

from torchinfo import summary
summary(model, input_size=(4, ))

==========================================================================================
Layer (type:depth-idx)                   Output Shape              Param #
==========================================================================================
MLP                                      [3]                       --
├─Linear: 1-1                            [10]                      50
├─ReLU: 1-2                              [10]                      --
├─Linear: 1-3                            [3]                       33
==========================================================================================
Total params: 83
Trainable params: 83
Non-trainable params: 0
Total mult-adds (M): 0.00
==========================================================================================
Input size (MB): 0.00
Forward/backward pass size (MB): 0.00
Params size (MB): 0.00
Estimated Total Size (MB): 0.00
==========================================================================================

（二）進度條功能

tqdm庫：

1. 創建一個進度條對象，并傳入總迭代次數。一般用with語句創建對象，這樣對象會在with語句結束后自動銷毀，保證資源釋放。with是常見的上下文管理器，這樣的使用方式還有用with打開文件，結束后會自動關閉文件。

2. 更新進度條，通過pbar.update(n)指定每次前進的步數n（適用于非固定步長的循環）。

• 手動更新

from tqdm import tqdm  # 先導入tqdm庫
import time  # 用于模擬耗時操作# 創建一個總步數為10的進度條
with tqdm(total=10) as pbar:  # pbar是進度條對象的變量名# pbar 是 progress bar（進度條）的縮寫，約定俗成的命名習慣。for i in range(10):  # 循環10次（對應進度條的10步）time.sleep(0.5)  # 模擬每次循環耗時0.5秒pbar.update(1)  # 每次循環后，進度條前進1步
from tqdm import tqdm
import time# 創建進度條時添加描述（desc）和單位（unit）
with tqdm(total=5, desc="下載文件", unit="個") as pbar:# 進度條這個對象，可以設置描述和單位# desc是描述，在左側顯示# unit是單位，在進度條右側顯示for i in range(5):time.sleep(1)pbar.update(1)  # 每次循環進度+1

unit 參數的核心作用是明確進度條中每個進度單位的含義，使可視化信息更具可讀性。在深度學習訓練中，常用的單位包括：

- epoch：訓練輪次（遍歷整個數據集一次）。

- batch：批次（每次梯度更新處理的樣本組）。

- sample：樣本（單個數據點）

• 自動更新

from tqdm import tqdm
import time# 直接將range(3)傳給tqdm，自動生成進度條
# 這個寫法我覺得是有點神奇的，直接可以給這個對象內部傳入一個可迭代對象，然后自動生成進度條
for i in tqdm(range(3), desc="處理任務", unit="epoch"):time.sleep(1)

處理任務: 100%|██████████| 3/3 [00:03<00:00,  1.01s/epoch]

import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import time
import matplotlib.pyplot as plt
from tqdm import tqdm  # 導入tqdm庫用于進度條顯示# 設置GPU設備
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(f"使用設備: {device}")# 加載鳶尾花數據集
iris = load_iris()
X = iris.data  # 特征數據
y = iris.target  # 標簽數據# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 歸一化數據
scaler = MinMaxScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)# 將數據轉換為PyTorch張量并移至GPU
X_train = torch.FloatTensor(X_train).to(device)
y_train = torch.LongTensor(y_train).to(device)
X_test = torch.FloatTensor(X_test).to(device)
y_test = torch.LongTensor(y_test).to(device)class MLP(nn.Module):def __init__(self):super(MLP, self).__init__()self.fc1 = nn.Linear(4, 10)  # 輸入層到隱藏層self.relu = nn.ReLU()self.fc2 = nn.Linear(10, 3)  # 隱藏層到輸出層def forward(self, x):out = self.fc1(x)out = self.relu(out)out = self.fc2(out)return out# 實例化模型并移至GPU
model = MLP().to(device)# 分類問題使用交叉熵損失函數
criterion = nn.CrossEntropyLoss()# 使用隨機梯度下降優化器
optimizer = optim.SGD(model.parameters(), lr=0.01)# 訓練模型
num_epochs = 20000  # 訓練的輪數# 用于存儲每100個epoch的損失值和對應的epoch數
losses = []
epochs = []start_time = time.time()  # 記錄開始時間# 創建tqdm進度條
with tqdm(total=num_epochs, desc="訓練進度", unit="epoch") as pbar:# 訓練模型for epoch in range(num_epochs):# 前向傳播outputs = model(X_train)  # 隱式調用forward函數loss = criterion(outputs, y_train)# 反向傳播和優化optimizer.zero_grad()loss.backward()optimizer.step()# 記錄損失值并更新進度條if (epoch + 1) % 200 == 0:losses.append(loss.item())epochs.append(epoch + 1)# 更新進度條的描述信息pbar.set_postfix({'Loss': f'{loss.item():.4f}'})# 每1000個epoch更新一次進度條if (epoch + 1) % 1000 == 0:pbar.update(1000)  # 更新進度條# 確保進度條達到100%if pbar.n < num_epochs:pbar.update(num_epochs - pbar.n)  # 計算剩余的進度并更新time_all = time.time() - start_time  # 計算訓練時間
print(f'Training time: {time_all:.2f} seconds')# # 可視化損失曲線
# plt.figure(figsize=(10, 6))
# plt.plot(epochs, losses)
# plt.xlabel('Epoch')
# plt.ylabel('Loss')
# plt.title('Training Loss over Epochs')
# plt.grid(True)
# plt.show()

訓練進度: 100%|██████████| 20000/20000 [00:10<00:00, 1885.37epoch/s, Loss=0.0630]Training time: 10.61 seconds

（三）模型推理

測試模型的測試這個詞在大模型領域叫做推理（inference），意味著把數據輸入到訓練好的模型的過程。?

# 在測試集上評估模型，此時model內部已經是訓練好的參數了
# 評估模型
model.eval() # 設置模型為評估模式
with torch.no_grad(): # torch.no_grad()的作用是禁用梯度計算，可以提高模型推理速度outputs = model(X_test)  # 對測試數據進行前向傳播，獲得預測結果_, predicted = torch.max(outputs, 1) # torch.max(outputs, 1)返回每行的最大值和對應的索引#這個函數返回2個值，分別是最大值和對應索引，參數1是在第1維度（行）上找最大值，_ 是Python的約定，表示忽略這個返回值，所以這個寫法是找到每一行最大值的下標# 此時outputs是一個tensor，p每一行是一個樣本，每一行有3個值，分別是屬于3個類別的概率，取最大值的下標就是預測的類別# predicted == y_test判斷預測值和真實值是否相等，返回一個tensor，1表示相等，0表示不等，然后求和，再除以y_test.size(0)得到準確率# 因為這個時候數據是tensor，所以需要用item()方法將tensor轉化為Python的標量# 之所以不用sklearn的accuracy_score函數，是因為這個函數是在CPU上運行的，需要將數據轉移到CPU上，這樣會慢一些# size(0)獲取第0維的長度，即樣本數量correct = (predicted == y_test).sum().item() # 計算預測正確的樣本數accuracy = correct / y_test.size(0)print(f'測試集準確率: {accuracy * 100:.2f}%')

?測試集準確率: 96.67%

模型的評估模式簡單來說就是評估階段會關閉一些訓練相關的操作和策略 ，比如更新參數 正則化等操作，確保模型輸出結果的穩定性和一致性。

可能會有問題為什么評估模式不關閉梯度計算，推理不是不需要更新參數么？

主要還是因為在某些場景下，評估階段可能需要計算梯度（雖然不更新參數）。例如：計算梯度用于可視化（如 CAM 熱力圖，主要用于cnn相關）。所以為了避免這種需求不被滿足，還是需要手動關閉梯度計算。